基于支持向量数据描述与信息融合的设备性能退化评估研究

摘要

对大型设备工作状态的智能维护已经逐渐成为故障诊断领域新的研究热点。对设备性能退化的评估是智能维护技术的重要组成部分，也是对设备运行状态做出合理预测的基础。一般而言，从设备性能开始退化到设备完全失效通常要经过一系列不同的性能退化状态。如果能够在设备性能退化过程中识别出设备性能退化的程度，就可以有针对性地组织生产和设备维修，防止设备异常失效的发生。 本研究出了一种基于支持向量数据描述(SVDD)和信息融合技术的设备性能评估方法。支持向量数据描述是一种以统计学习理论为基础的全新的数据描述方法，它通过建立同类数据的高维超球体空间，计算样本点相对于该球体的广义距离，能够有效地判断出样本点与该数据类别的从属关系，近年来支持向量数据描述被广泛应用于设备异常状态检测和故障诊断领域。将这一方法应用于性能退化评估中，通过该算法分组件地评估来自局部传感器的数据，给出局部性能的评估描述；同时考虑到评估过程中所进行的状态识别过程往往带来庞大的计算量，因此运用了遗传算法，提前对来自多传感器的多维数据做特征约简处理，使评估过程针对性更强，这不仅改善了评估结果的准确性，同时使评估效率得到了有效得提高。由于对大型设备的评估要对设备进行多角度，多通道的数据采集，这就需要运用信息融合技术对来自多传感器的信息进行综合，从而减少多传感器信息之间的冗余，不确定性，甚至是矛盾。文章采用D-S证据理论作为信息融合方法，提出了从局部评估到整体融合的设备性能评估流程。通过实验证明，所提出的性能评估方法，不论从对局部性能的评估上，还是从信息融合后整体设备的性能变化过程的描述中，都达到了与实际情况基本符合的标准，同时针对设备性能评估方法，在面向服务架构下开发了实现系统，为该方法的实际应用奠定了良好的基础。